RFM 2016 - Tres bon clients

Aparte

• Belles couleurs : scale_fill_manual(values=c(“#999999”, “#E69F00”, “#56B4E9”))
• Contexte & objectifs
• Presentation entreprise + objectifs segmentations

Import Packages

## resultat pour notre groupe tres bon
library(dplyr)
library(ggplot2)
# Installer
#install.packages("wesanderson")
# Belles couleurs
library(wesanderson)

Presentation des résultats de l’analyse RFM

Tres bon clients

RFM=na.omit(tbl_df(read.csv(file="r_ANALYSE_RFM2016.csv",header = T,sep=';')))
RFM2=read.csv(file="r_ANALYSE_RFM2016.csv",header = T,sep=';')
tres_bon=filter(RFM2,TYPO=='01_TRES_BONS')
head(tres_bon)

CA

# General CA
CA <- sum(na.omit(RFM2$MONTANT_CUMULE))
paste("CA :",CA)

# Tres bon clients CA
CATB <- sum(tres_bon$MONTANT_CUMULE)
paste("CA Tres bon clients:",CATB)

paste("Tres bon clients CA proportion:",round(CATB/CA,2)*100,"%")

New <- filter(RFM2, TYPO=='06_NOUVEAUX')
NewCa <- sum(New$MONTANT_CUMULE)
paste("CA Nouveaux clients :", NewCa)

paste("Nouveaux clients CA proportion:",round(NewCa/CA,2)*100,"%")

Clients : type classique

Âge

## presentation client âge moyen/ localisation client / depense moyenne par visite et sur la periode
# moyen âge
age=RFM2$AGE
age_moyen=mean(age,na.rm = T)
ageTB=tres_bon$AGE
paste("Age moyen de tout les clients :",round(age_moyen,0))
age_moyenTB=mean(ageTB, na.r = T)
paste("Age moyen des Tres bon clients :",round(age_moyenTB,0))
paste("Difference Age moyen des Tres bon clients par raport à toute la clientele :",round(age_moyenTB-age_moyen,3))

Pas de conclusion pertinantes.

Nombre de visites

# nb visite
nb_visites_moyenne <- mean(RFM2$NB_VISITE,na.rm = T)
paste("Nmb de visites en moyenne de tout les clients :",round(nb_visites_moyenne,1))
nb_visites_moyenneTB <- mean(tres_bon$NB_VISITE, na.rm = T)
paste("Nmb de visites en moyenne des Tres bon clients :",round(nb_visites_moyenneTB,1))
paste("Difference de la moyenne du nmb de visites des Tres bon clients par raport à toute la clientele :",round(nb_visites_moyenneTB-nb_visites_moyenne,1))

Comme prévu: les très bon clients visites plus les magasins.

Nombre d cadeaux

nb_cadeau_moyenne <- mean(RFM2$NB_CADEAUX, na.rm = T)
paste("Nmb de caeaux en moyenne de tout les clients :",round(nb_cadeau_moyenne,1))
nb_cadeau_moyenneTB <- mean(tres_bon$NB_CADEAUX, na.rm = T)
paste("Nmb de cadeaux en moyenne des Tres bon clients :",round(nb_cadeau_moyenneTB,1))
paste("Difference de la moyenne du nmb de cadeaux des Tres bon clients par raport à toute la clientele :",round(nb_cadeau_moyenneTB-nb_cadeau_moyenne,1))

Comme prévu: les très bon clients reçoivent plus de cadeaux.

Localisation client

# localisation client
table(na.omit(RFM2$REGIONS))
paste(round(1035/3250,2)*100,"%")
table(tres_bon$REGIONS)
library(ggplot2)
localisation=ggplot(data = RFM2)+aes(x=REGIONS, fill=REGIONS)+geom_bar()
localisation+scale_fill_manual(values=c("#E69F00", "#56B4E9"))+labs(title="Répartition des clients par région", x="Régions", y="Effectif")
localisationTB=ggplot(data = tres_bon)+aes(x=REGIONS, fill=REGIONS)+geom_bar()
localisationTB+scale_fill_manual(values=c("#E69F00", "#56B4E9"))+labs(title="Répartition des très bon clients par région", x="Régions", y="Effectif")

Quasiment un tiers des clients sont situé sur Paris.

Dépenses moyennes

Moyenne

# depense moyenne par visite 117€

CA_moyenne <- mean(RFM2$CA_MOY_VISITE,na.rm = T)
CA_moyenne
CA_moyenneTB <- mean(tres_bon$CA_MOY_VISITE, na.rm = T)
CA_moyenneTB
CA_moyenneTB-CA_moyenne

Periodique

# depense moyenne sur la periode

mt_moyenne <- mean(RFM$MONTANT_CUMULE,na.rm = T)
mt_moyenne

mt_moyenneTB <- mean(tres_bon$MONTANT_CUMULE,na.rm = T)
mt_moyenneTB

mt_moyenneTB-mt_moyenne

Les très bon cients cumulent plus de dépenses malgré des dépenses inférieures à la moyenne par passage (car plus de passage en tout).

Age

# depense moyenne sur la periode en fonction de l'age

tab=data.frame(RFM2$AGE,RFM2$MONTANT_CUMULE)
tab=na.omit(tab)
tabTB=data.frame(tres_bon$AGE,tres_bon$MONTANT_CUMULE)
tabTB=na.omit(tabTB)

groupe_age=cut(tab$RFM2.AGE,breaks = c(0,15,20,25,30,35,40,45,50,55,60,65,70,75,90))
groupe_ageTB=cut(tabTB$tres_bon.AGE,breaks = c(0,15,20,25,30,35,40,45,50,55,60,65,70,75,90))
tab=data.frame(tab,groupe_age)
tabTB=data.frame(tabTB, groupe_ageTB)

names(tab)=c('age','montant_cumule',"Intervalle_age")
names(tabTB)=c('age','montant_cumule',"Intervalle_age")

summary(tabTB$Intervalle_age)

T40_50=filter(tab,Intervalle_age=="(40,45]")
sum(T40_50$montant_cumule)


ggplot(tab)+aes(x=Intervalle_age,col=montant_cumule, fill=Intervalle_age)+geom_bar()+labs(title="Repartition du CA par groupe d'age", x="age", y="Effectif")
ggplot(tabTB)+aes(x=Intervalle_age,col=montant_cumule, fill=Intervalle_age)+geom_bar()+labs(title="Repartition des tres bon clients par groupe d'age", x="age", y="Effectif")

ggplot(data=RFM2, aes(x=TYPO, y=MONTANT_CUMULE, fill=TYPO)) +
  geom_bar(aes(y = (..count..)/sum(..count..), stat="identity"))+
  scale_fill_brewer(palette="Spectral")+
  labs(x="Typologies", y="CA", title="Répartion du CA")

summary(tab)
summary(tabTB)

Localisation - graphs

#localisation
summary(RFM$REGIONS)

   Paris Province 
    5465     9886 

11840/(24113+11840)

[1] 0.3293188

24113/(24113+11840)

[1] 0.6706812

980/(980+2053)

[1] 0.3231124

2053/(980+2053)

[1] 0.6768876

#35955 clients, 3253 tres bon
typo<- ggplot(RFM2) +
  aes(x=TYPO,col=TYPO, fill=TYPO) +
  geom_bar(aes(y = (..count..)/sum(..count..),fill=TYPO))
typo +
  scale_color_brewer(palette="Spectral") +
  scale_fill_brewer(palette="Spectral") +
  labs(y="Proportion", x="Typologie", title="Repartition des clients apres RFM") #+ 

  #geom_text(aes(label=len), vjust=1.6, color="white", size=3.5)
summary(RFM2$TYPO)

01_TRES_BONS      02_BONS    03_PERTES    04_PETITS   05_FAIBLES  06_NOUVEAUX  07_INACTIFS 
        3250          796          866          980         1829         8745        19489 

ggplot(data=RFM2, aes(x=TYPO, y=MONTANT_CUMULE, fill=TYPO)) +
  geom_bar(stat="identity")+
  scale_fill_brewer(palette="Spectral")+
  labs(x="Typologies", y="CA", title="Répartion du CA")

3250+796+866+980+1829+8745+19489

[1] 35955

3250/35955

[1] 0.09039077

796/35955

[1] 0.02213878

866/35955

[1] 0.02408566

980/35955

[1] 0.02725629

1928/35955

[1] 0.05362258

8745/35955

[1] 0.2432207

19489/35955

[1] 0.5420387

9.1+2.2+2.4+2.3+5.4+24.4+54.2

[1] 100

#install.packages("plotrix")
library(plotrix)
TypoC <- RFM2%>% select(TYPO) 
summary(TypoC)

           TYPO      
 01_TRES_BONS: 3250  
 02_BONS     :  796  
 03_PERTES   :  866  
 04_PETITS   :  980  
 05_FAIBLES  : 1829  
 06_NOUVEAUX : 8745  
 07_INACTIFS :19489  

x=c(3250, 796, 866, 980, 1829, 8745, 19489)
tot <- 3250+796+980+1829+8745+19489
3250/tot

[1] 0.09262162

796/tot

[1] 0.02268517

866/tot

[1] 0.0246801

980/tot

[1] 0.02792898

1829/tot

[1] 0.0521246

8745/tot

[1] 0.2492234

19489/tot

[1] 0.5554162

9.26+2.26+2.46+2.79+5.21+24.92+55.54

[1] 102.44

lbls <- c("TRES BONS","BONS","PERTES","PETITS","FAIBLES","NOUVEAUX","INACTIFS")
pie3D(x, labels=lbls, explode=0.1, main="Typologies des clients", col = c("red", "darkgoldenrod3", "darkgoldenrod1", "yellow", "yellowgreen", "seagreen4", "royalblue4"))

## stat bi-variées

Client type Tres Bon

Age

age=tres_bon$AGE
mean(age,na.rm = T)

[1] 46.29013

Localisation

# localisation client
table(tres_bon$REGIONS)

   Paris Province 
    1035     2215 

ggplot(data = tres_bon)+aes(x=REGIONS)+geom_bar()

Depense Moyenne

Par Visite

# depense moyenne par visite 117€
mean(tres_bon$CA_MOY_VISITE,na.rm = T)

[1] 96.07324

Periodique

# depense moyenne sur la periode
paste("Montant cumule:",round(mean(tres_bon$MONTANT_CUMULE,na.rm = T),2))

[1] "Montant cumule: 712.94"

paste("Nmb de visite:",round(mean(tres_bon$NB_VISITE,na.rm = T),0))

[1] "Nmb de visite: 8"

paste("Depense moyenne par visite:", round(mean(tres_bon$MONTANT_CUMULE,na.rm = T)/mean(tres_bon$NB_VISITE,na.rm = T),2))

[1] "Depense moyenne par visite: 89.5"

ggplot(RFM2)+aes(x=TYPO,col=TYPO)+geom_bar(aes(y = (..count..)/sum(..count..),fill=TYPO))+xlab("typologie")+ylab("proportion")

Plo_ly

#install.packages('Plot_ly')
library(plotly)
Typo=unique(RFM2$TYPO)
Typo

[1] 01_TRES_BONS 07_INACTIFS  03_PERTES    05_FAIBLES   02_BONS      04_PETITS    06_NOUVEAUX 
Levels: 01_TRES_BONS 02_BONS 03_PERTES 04_PETITS 05_FAIBLES 06_NOUVEAUX 07_INACTIFS

df=data.frame()
df_final=data.frame()
for (i in Typo){
  df=RFM2%>% filter(TYPO==i) %>% summarise(moy_Montant_Cumule=mean(MONTANT_CUMULE,na.rm=T),
                                                moy_NB_Visite=mean(NB_VISITE,na.rm=T),
                                                moy_Recence=mean(RECENCE,na.rm=T))
  df_final=rbind(df_final,df)
}
df_final=cbind(Typo,df_final)
Typo3D <- plot_ly(data=df_final,x=~moy_Montant_Cumule,
        y=~moy_NB_Visite,z=~moy_Recence,
        color=df_final$Typo, colors = c("red", "darkgoldenrod3", "darkgoldenrod1", "yellow", "yellowgreen", "seagreen4", "royalblue4" ))
Typo3D

Typo3D_TB <- plot_ly(data=df_final,x=~moy_Montant_Cumule,
                     y=~moy_NB_Visite,z=~moy_Recence,
        color=df_final$Typo, colors = c("red", "darkgray", "darkgray", "darkgray", "darkgray", "darkgray", "darkgray" ))
Typo3D_TB